⚡ electrical engineering

ReasonSTL: Bridging Natural Language and Signal Temporal Logic via Tool-Augmented Process-Rewarded Learning

تقدم الورقة البحثية \textsc{ReasonSTL}، وهو إطار عمل مدعوم بالأدوات يعمل على تكييف النماذج اللغوية مفتوحة المصدر المحلية عبر التعلم القائم على مكافأة العمليات لترجمة متطلبات اللغة الطبيعية بدقة وخصوصية إلى صيغ المنطق الزمني الإشاري (STL)، مما يوفر بديلاً فعالاً من حيث التكلفة للمواصفات اليدوية وواجهات برمجة التطبيقات التجارية.

المؤلفون الأصليون: Bowen Ye, Zhijian Li, Junyue Huang, Junkai Ma, Xiang Yin

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bowen Ye, Zhijian Li, Junyue Huang, Junkai Ma, Xiang Yin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس تصمم سيارة ذاتية القيادة أو ذراعًا روبوتية. لديك فكرة عبقرية حول كيفية سلوكها، لكن لا يمكنك سوى وصفها بلغة إنجليزية بسيطة، مثل: "إذا اقتربت السيارة كثيرًا من الجدار، يجب أن تتوقف في غضون ثانيتين."

المشكلة هي أن عقل الكمبيوتر لا يتحدث الإنجليزية. إنه يتحدث لغة رياضية صارمة تسمى منطق زمني إشاري (Signal Temporal Logic - STL). هذه اللغة تشبه وصفة دقيقة للغاية تخبر الآلة بما يجب فعله بالضبط، وصولاً إلى المللي ثانية والمليمتر.

المشكلة:
حتى الآن، كان تحويل جملتك الإنجليزية إلى هذه الوصفة الرياضية الصارمة كابوسًا.

الترجمة اليدوية: كنت ستحتاج إلى خبير بشري للترجمة. وهذا أمر بطيء، ومكلف، ويصعب توسيعه.
سؤال الذكاء الاصطوي (الصندوق الأسود): يمكنك سؤال ذكاء اصطناعي قوي (مثل روبوت دردشة ضخم قائم على السحابة). لكن هذا أمر محفوف بالمخاطر. قد ترسل بالخطأ قواعد السلامة السرية لشركتك إلى خادم طرف ثالث. بالإضافة إلى ذلك، يكلف الأمر الكثير من المال في كل مرة تسأل فيها سؤالاً.
محاولات الذكاء الاصطناوي القديمة: كانت نماذج الذكاء الاصطناوي المحلية السابقة مثل الطلاب الذين حفظوا الأبجدية لكنهم لم يستطيعوا حل الرياضيات. كانت تخمن الوصفة، ولكن إذا أخطأت في رقم واحد (مثل قول "ثانيتين" بدلاً من "2.5 ثانية")، فإن الأمر برمته سيفشل.

الحل: REASONSTL
ابتكر المؤلفون نظامًا جديدًا يسمى REASONSTL. فكر فيه كتوظيف متدرب محلي يركز على الخصوصية ولديه سير عمل محدد للغاية. بدلاً من مجرد تخمين الإجابة، يتبع هذا المتدرب عملية صارمة مكونة من ثلاث خطوات:

المترجم (الاستنتاج/Reasoning): يقرأ المتدرب جملتك الإنجليزية ويحللها. "حسنًا، 'قريب جدًا' تعني المسافة. 'ثانيتان' تحتاج إلى التحويل إلى مللي ثانية."
الحاسبة (استخدام الأدوات/Tool Use): بدلاً من تخمين الرياضيات، يخرج المتدرب حاسبة ("أداة"). لديه أدوات محددة لتحويل الوحدات (من قدم إلى متر)، وحساب الوقت، وإجراء العمليات الحسابية. ويجب عليه استخدام هذه الأدوات للحصول على الأرقام الصحيحة.
المهندس المعماري (البناء/Construction): بمجرد التحقق من الأرقام، يبني المتدرب الوصفة الرياضية النهائية (صيغة STL) باستخدام مخطط صارم (هيكل JSON شجري) حتى لا تكون هناك أقواس مفقودة أو رموز مربكة.

كيف علموا المتدرب
لم يكتفوا فقط بإخبار المتدرب، "عمل جيد" أو "عمل سيء" في النهاية. بل استخدموا طريقة تدريب خاصة تسمى التعلم بمكافأة العملية (Process-Rewarded Learning).

تخيل معلمًا يراقب عمل المتدرب. إذا استخدم المتدرب الحاسبة بشكل صحيح ولكنه بنى المنزل مقلوبًا، يقول المعلم: "رياضيات جيدة، بناء سيء".
إذا حاول المتدرب تخمين الرياضيات دون استخدام الحاسبة، يوقفه المعلم فورًا.
يضمن هذا أن يتعلم المتدرب التفكير خطوة بخطوة واستخدام الأدوات الصحيحة، بدلاً من مجرد حفظ الإجابات.

الاختبار الجديد: STL-BENCH
لرؤية ما إذا كان هذا المتدرب جيدًا حقًا، بنى الفريق اختبارًا جديدًا وأكثر صعوبة يسمى STL-BENCH.

إنه يشبه الامتحان النهائي الذي يتضمن سيناريوهات من العالم الحقيقي (مثل الطيران أو الروبوتات)، وليس مجرد جمل مختلقة.
هو ثنائي اللغة (الإنجليزية والصينية).
يختبر تحديدًا قدرة المتدرب على التعامل مع الأمور "المملة ولكن الحرجة": تحويل الوحدات، وإجراء العمليات الحسابية، وفهم حدود الوقت المعقدة.

النتائج
اختبر الفريق نموذجهم المكون من 4 مليارات بارامتر (نموذج محلي "صغير" ولكنه ذكي) مقابل نماذج الذكاء الاصطناوي التجارية الضخمة والطرق الأخرى.

الخصوصية والتكلفة: نظرًا لأنه يعمل محليًا على أجهزتهم الخاصة، فإنه مجاني للتشغيل المتكرر ويحافظ على خصوصية جميع البيانات.
الأداء: للمفاجأة، تفوق هذا المتدرب المحلي على نماذج الذكاء الاصطناوي التجارية الضخمة ("الصندوق الأسود") وعلى الطرق الأخرى في الدقة. لقد كان أفضل في الحصول على الرياضيات الصحيحة وبناء الهيكل الصحيح.
الفحص البشري: عندما نظر البشر إلى النتائج، وجدوا أن النموذج المحلي كان بنفس جودة النماذج التجارية المكلفة.

باخت مختصر
REASONSTL هو طريقة جديدة لتعليم نماذج الذكاء الاصطناوي المحلية ترجمة قواعد السلامة البشرية إلى كود حاسوبي صارم. ومن خلال إجبار الذكاء الاصطناوي على "إظিং خطوات عمله" باستخدام الحاسبات والأدوات، ومن خلال تدريبه على توخي الحذر في كل خطوة، أنشأوا نظامًا خاصًا، ورخيصًا، ودقيقًا بشكل مذهل، مما يجعله بديلًا آمنًا لإرسال البيانات الحساسة إلى شركات السحابة الكبرى.

ملخص تقني: REASONSTL

بيان المشكلة

تُعد المنطق الزمني الإشاري (STL) لغة رسمية أساسية لتحديد المتطلبات الزمكانية للإشارات ذات القيم الحقيقية في الأنظمة السيبرانية الفيزيائية (CPS) والأنظمة المستقلة. وبينما يتيح STL التحقق والتوليف الصارم، يقوم الممارسون عادةً بالتعبير عن المتطلبات باستخدام اللغة الطبيعية (NL). ويُعد ترجمة هذه الأوصاف من اللغة الطبيعية إلى صيغ STL قابلة للتنفيذ عقبة حرجة.

تواجه الأساليب الحالية قيوداً كبيرة:

التوصيف اليدوي: يتطلب معرفة خبيرة، وهو مجهد للعمالة، ولا يتوسع بشكل جيد.
واجهات برمجة تطبيقات النماذج اللغوية الكبيرة التجارية (LLM APIs): رغم قدرتها، إلا أنها تتكبد تكاليف عالية للرموز (tokens) وتثير مخاوف تتعلق بالخصوصية عبر نقل متطلبات النظام الحساسة إلى أطراف ثالثة.
الأساليب المؤتمتة السابقة:
- يعتمد DeepSTL على الترجمة الآلية العصبية المدربة من الصفر، مما يحد من القدرة على التعميم.
- يستخدم KGST مسار عمل هجين يتضمن واجهات برمجة تطبيقات مملوكة، مما يسبب مشكلات في الخصوصية والتكلفة.
- يعمل RESTL محلياً ولكنه يولد الصيغ مباشرة دون استدلال وسيط، مما يضعف القابلية للتفسير والصحة.
التحديات التقنية: لا تتطلب الترجمة من اللغة الطبيعية إلى STL صحة نحوية فحسب، بل تتطلب أيضاً تأصيلاً دلالياً، واستدلالاً مدركاً للحوسبة (مثل تحويل الوحدات، والحسابات)، ومعالجة دقيقة للفترات الزمنية والإشارات الخاصة بالمجال. يمكن أن تؤدي الأخطاء الصغيرة في العتبات أو المعاملات إلى دلالات غير صحيحة.

المنهجية: REASONSTL

يقترح المؤلفون REASONSTL، وهو إطار عمل محلي مدعوم بالأدوات ومصمم لتوليد صيغ STL مدركة للحوسبة. الفلسفة الجوهرية هي تفكيك عملية الترجمة إلى استدلال صريح، واستدعاء أدوات حتمية، وبناء صيغ مهيكلة، بدلاً من الاعتماد على التنبؤ بتسلسل خطوة واحدة.

1. التوليد المدعوم بالأدوات

بدلاً من توليد نص خام، يقوم النموذج بتوليد مسار مهيكل يتكون من مقاطع استدلال، واستدعاءات للأدوات، ومخرجات الأدوات، وصولاً إلى شجرة JSON مهيكلة لـ STL.

مجموعة الأدوات: يستخدم إطار العمل مجموعة مدمجة وذات أنواع محددة من الأدوات الحتمية:
- parse_duration: تطبيع التعبيرات الزمنية (مثلاً: "30 دقيقة" $\leftarrow$ 1800).
- convert_unit: تحويل الوحدات الفيزيائية (مثلاً: قدم $\leftarrow$ متر).
- eval_math_expr: تقييم التعبيرات الحسابية للعتبات.
- calc_time_diff: حساب الفروق الزمنية من الطوابع الزمنية.
الفصل: يفصل هذا التصميم بين التفسير اللغوي والاستدلال الهيكلي وبين الحساب العددي الدقيق، مما يجعل العملية قابلة للفحص والتحقق.

2. التحسين القائم على مكافأة العملية المحدودة بالنتيجة

يقدم REASONSTL استراتيجية تدريب جديدة تشرف على كل من مسارات استخدام الأدوات الوسيطة وبناء الصيغة النهائية.

مكافآت العملية: يتم تخصيص مكافآت للمراحل الوسيطة (استدعاءات الأدوات، الاستدلال) بناءً على الصحة المحلية (صحة الوسائط، القابلية للتنفيذ، الاتساق).
الحد من النتيجة: من المهم ملاحظة أن المكافآت الوسيطة مقيدة بصحة صيغة STL النهائية. إذا كانت الصيغة النهائية غير صحيحة، يتم تقليل الحد الأقصى للمكافأة التي يمكن الحصول عليها للمراحل الوسيطة. هذا يمنع النموذج من تعزيز مسارات الاستدلال التي تبدو "مقنعة ولكنها غير صحيحة دلالياً" وتؤدي إلى نتائج نهائية خاطئة.
قناع البادئة (Prefix Masking): إذا فشلت خطوة وسيطة، يتم حجب المراحل اللاحقة المعتمدة من التحديثات الخلفية، مما يضمن تعلم النموذج كيفية التوقف أو تصحيح الأخطاء مبكراً.
التحسين: يستخدم إطار العمل هدف سياسة نسبية للمجموعة (مشابه لـ PPO ولكن بدون قص نسبة الاحتمالية) لتحسين النموذج بناءً على هذه المكافآت المحدودة.

3. STL-BENCH: معيار جديد

لتقييم توليد STL من اللغة الطبيعية المدرك للحوسبة، قدم المؤلفون STL-BENCH، وهو معيار ثنائي اللغة (الإنجليزية/الصينية) قائم على إشارات الأنظمة السيبرانية الفيزيائية الواقعية.

الميزات: يغطي 6 مجالات هندسية، 33 سيناريو، و41 متغيراً إشارياً مرتبطاً بالمجال.
التعقيد: 73% من العينات تتطلب حسابات وسيطة (استخدام الأدوات). ويتضمن تعليقات توضيحية صريحة لمسارات استخدام الأدوات، وتطبيع الوقت، وتحويل الوحدات.
الهيكل: تُمثل صيغ STL كأشجار JSON لتمكين التحقق من المخطط (schema validation) والمطابقة الهيكلية العودية، متجاوزةً مجرد مطابقة النصوص البسيطة.
التحقق: تم بناء مجموعة البيانات عبر توليد مرتكز على القوالب، والتحقق القائم على القواعد، والتدقيق البشري الطبقي لضمان جودة الملصقات.

المساهمات الرئيسية

إطار عمل محلي مدعوم بالأدوات: REASONSTL هو إطار عمل مفتوح المصدر ومحلي يحول اللغة الطبيعية إلى STL عبر استدلال متعدد الخطوات واستدعاء أدوات حتمية، مع التعامل صراحة مع تطبيع الوقت، وتحويل الوحدات، والتقييم الحسابي.
الإشراف على العملية المحدودة بالنتيجة: استراتيجية تدريب تشرف بشكل مشترك على مسارات استخدام الأدوات الوسيطة وبناء الصيغة النهائية، مما يقلل من خطر تعزيز مسارات الاستدلال غير الصالحة عن طريق ربط المكافآت الوسيطة بصحة النتيجة النهائية.
معيار مدرك للحوسبة (STL-BENCH): معيار ثنائي اللغة يتميز بإشارات مرتبطة بالمجال، ووحدات فيزيائية، وقيود حسابية، وتعليقات توضيحية صريحة لاستخدام الأدوات، مما يتيح تقييماً صارماً للتوليد المدرك للحوسبة.

النتائج التجريبية

أُجريت التجارب على كل من معيار DeepSTL المعتمد ومعيار STL-BENCH الجديد.

الأداء على DeepSTL: حقق نموذج بـ 4 مليارات معلمة (Qwen3-4B) تم تدريبه باستخدام REASONSTL-DIRECT (نسخة توليد مباشرة) دقة صيغة بنسبة 81.43% ودقة تنسيق بنسبة 82.57%. وقد تفوق هذا بشكل كبير على أقوى نموذج أساسي من نوع Black-box API (وهو Claude-Opus-4.7) بأكثر من 15 نقطة مئوية، وحسن عن الحالة السابقة الأفضل (RESTL) بنحو 21 نقطة.
الأداء على STL-BENCH:
- حقق نموذج REASONSTL الكامل (مع الاستدلال والأدوات) دقة صيغة بنسبة 51.0% في الإنجليزية و47.0% في الصينية، متفوقاً على كل من النموذج الأساسي ونماذج API الموجهة بعناية (مثل GPT-5.4 و Kimi-K2.6).
- التحقق البشري: في مجموعة فرعية من 100 عينة لكل لغة، طابق REASONSTL أو تجاوز أداء النماذج المملوكة، محققاً دقة بنسبة 53% في الإنجليزية و51% في الصينية.
- التعميم: في مجموعة اختبار مكتوبة يدوياً وخالية من القوالب، حقق REALSONSTL أعلى دقة صيغة (54%)، متفوقاً قليلاً على نماذج API القوية مع الحفاظ على إنتاجية استدلال أعلى من بعض النماذج التجارية.
دراسات الاستئصال (Ablation Studies): أكدت النتائج أنه بينما يساعد الضبط الدقيق الخاضع للإشراف (SFT) في تهيئة التنسيق، فإن التعلم التعزيزي (RL) مع مكافآت العملية والاستدلال المدعوم بالأدوات هو المحرك الرئيسي لزيادة الأداء.

الأهمية والادعاءات

يزعم البحث أن REASONSTL يوفر بديلاً شفافاً ومنخفض التكلفة ويحافظ على الخصوصية لصياغة المواصفات الرسمية. ومن خلال إبقاء المسار بأكمله محلياً ومفتوح المصدر، فإنه يعالج حواجز الخصوصية والتكلفة المرتبطة بواجهات برمجة تطبيقات LLM التجارية.

يؤكد المؤلفون أن قدرة إطار العمل على تفكيك المهمة إلى حسابات حتمية واستدلال مهيكل تجعل عملية التوليد قابلة للفحص وللمصادقة، وهي ميزة حاسمة لتطبيقات الأنظمة السيبرانية الفيزيائية (CPS) الحساسة للسلامة. وبينما يحقق النظام أداءً يضاهي أفضل ما توصل إليه العلم، يشير المؤلفون بتواضع إلى أنه مناسب حالياً كـ مساعد صياغة بشري في الحلقة (human-in-the-loop) بدلاً من كونه بديلاً مستقلاً تماماً لتصميم المواصفات من قبل الخبراء، لا سيية في سياقات السلامة الحرجة حيث يجب مراجعة الأخطاء الدلالية المتبقية من قبل خبراء المجال.